ارائه کننده:  مریم مروتی

استاد راهنما اول : دکتر احمد بنا کار

استاد مشاور اول :  دکتر اسحاق کشتکار

استاد مشاور دوم : دکتر نوشین نظام ابادی

تاریخ :  ۱۴۰۵/۰۸/۰۲

ساعت : 13:30

مکان: سالن سمینار شماره 3

چکیده

 ل جالیز  مصری (Phelipanche aegyptiaca)یکی از مخرب‌ترین علف‌های هرز انگلی در محصولات کشاورزی است که بخش عمده‌ای از چرخه زندگی خود را به‌صورت زیرزمینی و در اتصال به ریشه گیاه میزبان سپری می‌کند. به همین دلیل، تشخیص آلودگی در مراحل اولیه که هنوز علائم ظاهری قابل مشاهده نیست، با روش‌های متداول بسیار دشوار است و معمولاً زمانی که اندام‌های هوایی انگل ظاهر می‌شوند، بخش قابل توجهی از خسارت وارد شده است. پژوهش حاضر با هدف توسعه و ارزیابی یک سامانه هوشمند برای تشخیص زودهنگام آلودگی کلزا (رقم هایولا ۵۰) به گل جالیز، پیش از ظهور اندام‌های هوایی، با استفاده از تصویربرداری RGB و الگوریتم‌های یادگیری ماشین انجام شد. بدین منظور، بوته‌های کلزا در شرایط کنترل‌شده گلخانه‌ای در سه گروه تیماری شامل دو جمعیت مختلف گل جالیز (ایلام-دهلران و چهارمحال و بختیاری) و یک گروه شاهد (بدون آلودگی) کشت شدند. پس از اعمال تنش آبی برای القای آلودگی، تصویربرداری RGB به‌صورت هفتگی و در شرایط نوری یکنواخت انجام گرفت. تصاویر با استفاده از روش‌های پیش‌پردازش، جداسازی برگ از پس‌زمینه (با ترکیب فضای رنگی HSV و شاخص سبزینگی ExG) و استخراج ۲۳ ویژگی در شش گروه شامل ویژگی‌های رنگی RGB، سبزینگی ExG، فضای رنگی LAB، فضای رنگی HSV، بافتی GLCM و شکلی آماده‌سازی شدند. مجموعه داده نهایی شامل ۱۲۰۰ فریم از ۱۲ گلدان (۶ گلدان شاهد و ۶ گلدان تیمار) بود. عملکرد مدل‌های یادگیری ماشین از جمله ماشین بردار پشتیبان (SVM)، درخت تصمیم، جنگل تصادفی و شبکه عصبی مصنوعی با معیارهای دقت، صحت، فراخوانی، ویژگی و امتیاز F1 و با استفاده از روش‌های اعتبارسنجی Leave-One-Pot-Out (LOPO) و Nested LOPO ارزیابی شد. نتایج نشان داد که ویژگی‌های استخراج‌شده از تصاویر RGB می‌توانند اطلاعات مفیدی برای تفکیک بوته‌های سالم از آلوده فراهم کنند. مدل SVM نهایی با انتخاب ویژگی و تنظیم پارامتر مناسب، بهترین عملکرد را در تشخیص زودهنگام آلودگی در سطح گلدان (00/75 درصد) داشت. تفاوت قابل توجه بین نتایج LOPO و Nested LOPO نشان داد که برای ادعای تعمیم‌پذیری مدل در داده‌های زیستی، باید از ساختار ارزیابی سخت‌گیرانه‌ای استفاده کرد که در آن گلدان آزمون در هیچ مرحله‌ای از انتخاب ویژگی، انتخاب پارامتر و نرمال‌سازی وارد نشود. همچنین، تجمیع پیش‌بینی‌ها در سطح گلدان با استفاده از رأی‌گیری اکثریت، دقت را از 42/65 درصد در سطح فریم به 00/75 درصد در سطح گلدان افزایش داد. ناهمگونی بین گلدان‌ها نیز یکی از چالش‌های مهم در تعمیم‌پذیری مدل بود. افزودن ویژگی‌های مشتق‌شده اگرچه در سطح فریم بهبود مستقیمی ایجاد نکرد، اما در سطح گلدان دقت را به 33/83 درصد افزایش داد. در مجموع، نتایج این پژوهش نشان داد که تصویربرداری RGB همراه با الگوریتم‌های یادگیری ماشین می‌تواند به عنوان یک روش غیرمخرب، کم‌هزینه و قابل اجرا برای تشخیص زودهنگام آلودگی کلزا به گل جالیز مورد استفاده قرار گیرد و گامی مهم در جهت توسعه سامانه‌های هوشمند مدیریت علف‌های هرز انگلی در کشاورزی دقیق محسوب می‌شود.